論文の概要: (Perlin) Noise as AI coordinator

• arxiv url: http://arxiv.org/abs/2602.18947v1
• Date: Sat, 21 Feb 2026 19:40:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.412419
• Title: (Perlin) Noise as AI coordinator
• Title（参考訳）: (パーリン)AIコーディネータとしての騒音
• Abstract要約: 本稿では,連続雑音場をAIコーディネータとして扱うフレームワークを提案する。 実験により、協調雑音場はロックステップなしで安定したアクティベーション統計を提供することが示された。 この研究が、ゲームAIにおけるコーディネートノイズのより広範な探索の動機になることを願っている。
• 参考スコア（独自算出の注目度）: 3.2586114800974957
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large scale control of nonplayer agents is central to modern games, while production systems still struggle to balance several competing goals: locally smooth, natural behavior, and globally coordinated variety across space and time. Prior approaches rely on handcrafted rules or purely stochastic triggers, which either converge to mechanical synchrony or devolve into uncorrelated noise that is hard to tune. Continuous noise signals such as Perlin noise are well suited to this gap because they provide spatially and temporally coherent randomness, and they are already widely used for terrain, biomes, and other procedural assets. We adapt these signals for the first time to large scale AI control and present a general framework that treats continuous noise fields as an AI coordinator. The framework combines three layers of control: behavior parameterization for movement at the agent level, action time scheduling for when behaviors start and stop, and spawn or event type and feature generation for what appears and where. We instantiate the framework reproducibly and evaluate Perlin noise as a representative coordinator across multiple maps, scales, and seeds against random, filtered, deterministic, neighborhood constrained, and physics inspired baselines. Experiments show that coordinated noise fields provide stable activation statistics without lockstep, strong spatial coverage and regional balance, better diversity with controllable polarization, and competitive runtime. We hope this work motivates a broader exploration of coordinated noise in game AI as a practical path to combine efficiency, controllability, and quality.
• Abstract（参考訳）: 非プレイヤーエージェントの大規模な制御は現代のゲームの中心であるが、生産システムは、局所的な滑らかさ、自然な振る舞い、そして空間と時間にわたってグローバルに調整された多様性といった、いくつかの競合する目標のバランスを取るのに苦慮している。 従来のアプローチは手作りの規則や純粋に確率的なトリガーに依存しており、機械的同期に収束するか、調整が難しい非相関ノイズに発展する。 パーリンノイズのような連続的なノイズ信号は、空間的および時間的コヒーレントなランダム性を提供するため、このギャップによく適しており、既に地形、生物、その他の手続き的資産に広く利用されている。 我々は、これらの信号を初めて大規模なAI制御に適用し、連続雑音場をAIコーディネータとして扱う一般的なフレームワークを提案する。 フレームワークには3つのコントロール層が組み込まれている。エージェントレベルでの動作パラメータ化、動作の開始と停止のタイミングのアクション時間スケジューリング、イベントタイプの生成またはイベントタイプ、表示と場所のフィーチャー生成だ。 我々は,複数の地図,スケール,種子を対象とした代表コーディネータとしてのPerlinノイズを,ランダム,フィルタ,決定論的,近傍制約,物理にインスパイアされたベースラインに対して再現的に評価し,評価する。 実験により、協調雑音場は、ロックステップ、強い空間範囲と地域バランス、制御可能な分極による多様性、および競合ランタイムを伴わない安定した活性化統計を提供することが示された。 この作業が、効率性、制御可能性、品質を組み合わせるための実践的な方法として、ゲームAIにおけるコーディネートノイズのより広範な探索を動機付けることを願っています。

関連論文リスト

• StructRL: Structured Action-Space Exploration for Flow-Based VLAs [81.43458629514139]
  フローベースのビジョン・ランゲージ・アクションモデルは現在、連続的なロボット操作に広く使われている。 オンライン強化学習は、それらを新しいタスクに適応するための重要なテクニックとして浮上している。 動作群間で時間的にスムーズかつスケールの異なる,構造的雑音に対する効果的なロボット探索の必要性を示す。
  論文  参考訳（メタデータ） (2026-08-15T09:31:29Z)
• Learning High-Frequency Continuous Action Chunks in Latent Space [10.321199672785392]
  現代のロボット政策は、物理世界で複雑なタスクを実行するためにアクションチャンキングにますます依存している。 このような高頻度では、ポリシーはしばしば時間的に滑らかで空間的に整合性のあるアクションを生成するのに失敗する。 変動オートエンコーダ(VAE)を用いた高周波行動学習を動作空間から潜時空間にシフトすることで、この問題に対処する。 この定式化は、高周波制御の時間的および空間的整合性を著しく改善する。
  論文  参考訳（メタデータ） (2026-05-24T08:22:14Z)
• FocalPolicy: Frequency-Optimized Chunking and Locally Anchored Flow Matching for Coherent Visuomotor Policy [75.32174422881958]
  FocalPolicyは、周波数局所的なチャンキングとAnchoredフローマッチングを組み合わせたビジュモータポリシーである。 本稿では,近位行動における時間領域のアライメントを監督する,近位複合目標を提案する。 フローマッチング学習において,信号の伝搬一貫性を目標とした局所的アンカーサンプリングを設計する。
  論文  参考訳（メタデータ） (2026-05-15T13:27:55Z)
• HiPolicy: Hierarchical Multi-Frequency Action Chunking for Policy Learning [17.3424491065084]
  HiPolicyは階層的な多周波数アクションチャンキングフレームワークで、異なる周波数でのアクションシーケンスを予測し、粗い高レベル計画と正確な反応性動作の両方をキャプチャする。 多様なシミュレーションベンチマークと実世界の操作タスクの実験は、HiPolicyが既存の2Dおよび3D生成ポリシーにシームレスに統合可能であることを示している。
  論文  参考訳（メタデータ） (2026-04-07T16:47:38Z)
• ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
  本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。 我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。 その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
  論文  参考訳（メタデータ） (2026-03-03T18:59:29Z)
• ONRAP: Occupancy-driven Noise-Resilient Autonomous Path Planning [4.58403099322105]
  本稿では, 占有グリッドで動作する実践的, 実装に優しいプランナを提案する。 これはエゴ中心で、運動的に実現可能なパスを生成し、静的かつダイナミックな障害物を安全にナビゲートする。 重度局所化と知覚雑音を用いたシミュレーションにおいて,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2026-02-14T03:27:46Z)
• Test-time Adaptive Hierarchical Co-enhanced Denoising Network for Reliable Multimodal Classification [55.56234913868664]
  マルチモーダルデータを用いた信頼性学習のためのTAHCD(Test-time Adaptive Hierarchical Co-enhanced Denoising Network)を提案する。 提案手法は,最先端の信頼性の高いマルチモーダル学習手法と比較して,優れた分類性能,堅牢性,一般化を実現する。
  論文  参考訳（メタデータ） (2026-01-12T03:14:12Z)
• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• PAUL: Uncertainty-Guided Partition and Augmentation for Robust Cross-View Geo-Localization under Noisy Correspondence [16.322806051944227]
  クロスビュージオローカライゼーションは、UAVナビゲーション、イベント検出、および航空測量にとって重要な課題である。 既存のほとんどのアプローチは、ペア画像の類似性を最大化するために、マルチモーダルデータをジョイントな特徴空間に埋め込む。 これらの手法は通常、トレーニング中にイメージペアの完全なアライメントを前提とします。
  論文  参考訳（メタデータ） (2025-08-27T17:21:22Z)
• QuietPaw: Learning Quadrupedal Locomotion with Versatile Noise Preference Alignment [32.730540558720314]
  四足歩行ロボットの騒音は、家やオフィス、病院といった人間中心の環境を妨害する可能性がある。 そこで我々は,騒音の低減レベルにポリシーの振舞いを条件付けることで,フレキシブルでノイズ対応のロコモーションを可能にする,制約付き学習ベースアルゴリズムQuietPawを提案する。 我々はシミュレーションと実世界における我々のアプローチを検証し、CNCPがロコモーション性能と雑音制約を効果的にバランスできることを実証した。
  論文  参考訳（メタデータ） (2025-03-06T23:20:04Z)
• Learning a Fast Mixing Exogenous Block MDP using a Single Trajectory [87.62730694973696]
  STEELは、単一軌道から外因性ブロックマルコフ決定過程の制御可能なダイナミクスを学習するための、最初の証明可能なサンプル効率アルゴリズムである。 我々は,STEELが正解であり,サンプル効率が良いことを証明し,STEELを2つの玩具問題で実証した。
  論文  参考訳（メタデータ） (2024-10-03T21:57:21Z)
• Robust Collaborative Perception without External Localization and Clock Devices [52.32342059286222]
  複数のエージェントをまたいだ一貫した空間的時間的調整は、協調的な知覚の基礎である。 従来の手法は、ローカライゼーションとクロック信号を提供するために外部デバイスに依存している。 本稿では,様々なエージェントの知覚データに内在する幾何学的パターンを認識して整列する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-05T15:20:36Z)
• Latent Exploration for Reinforcement Learning [87.42776741119653]
  強化学習では、エージェントは環境を探索し、相互作用することでポリシーを学ぶ。 LATent TIme-Correlated Exploration (Lattice)を提案する。
  論文  参考訳（メタデータ） (2023-05-31T17:40:43Z)
• Bandit Submodular Maximization for Multi-Robot Coordination in Unpredictable and Partially Observable Environments [3.0294344089697596]
  帯域フィードバックと追従後悔を伴う最初の部分モジュラコーディネートアルゴリズムを導入する。 盗賊のフィードバックは ロボットが 後ろ向きに計算できる能力だ 彼らの選択した行動の効果だけ 後悔の追跡はアルゴリズムの最適化の亜最適性であり、先駆的な未来を完全に知る最適な時間変化アクションである。
  論文  参考訳（メタデータ） (2023-05-22T07:44:54Z)
• Online Submodular Coordination with Bounded Tracking Regret: Theory, Algorithm, and Applications to Multi-Robot Coordination [15.588080817106563]
  私たちは、動的で非構造的で敵対的な環境で複数のロボットが協調する未来の自律性に動機付けられています。 本稿では,前兆を知っており,時間変化の時間的変動を考慮に入れた,有界な追従後悔を伴う最初の部分モジュラコーディネートアルゴリズムを提案する。 提案アルゴリズムは,Fisherらによるセミナル逐次グリーディアルゴリズムを予測不能な環境に一般化し,準モジュラリティとアルゴリズムを利用して,最良の専門家を追跡する。
  論文  参考訳（メタデータ） (2022-09-26T05:31:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。